Takagi-Sugeno-Kang（TSK）模糊系统的特点是能使用线性模型的方法求解非线性模型。TSK模糊系统的这个特点使得其在众多的领域都受到了广泛的关注。但是,与其它有监督学习一样,TSK模糊系统需要充足的信息。然而,在真实世界的应用中,训练数据经常是有限的,而模型也不能充分的挖掘数据中的信息,因此很容易导致过拟合问题。现有的TSK模糊系统方法,更多的把目光放在了模型结构的研究上,忽视了实际应用中经常遇到的训练信息不足的问题。所以,模型很容易出现过拟合的问题。流形学习能够进一步挖掘样本的结构信息。因此,本文将流形学习引入模糊系统,提出了两种新型TSK模糊系统模型,具体研究内容如下:首先,针对此问题,本文提出了一种双流形正则化TSK模糊系统建模方法（TSK Fuzzy System Modeling Method Using Two Manifold Regularizations）。该方法首先提出了基于样本空间中样本的几何分布的流形正则化,在输出空间中保留样本在样本空间中的几何分布;然后又提出了基于字典空间中特征之间的相关性的流形正则化,在学习过程中约束具有相关性的参数之间的相关关系。在多个真实数据集上的实验结果证明了该方法的良好的性能。接着,为了解决现有的多任务模糊系统方法只专注于任务间共享知识,忽视每个任务特有属性的问题,本文在多任务学习的框架下,提出了一种新型的有低秩和稀疏结构后件参数的流形正则化多任务模糊系统模型（Manifold-regularized Multitask Fuzzy System Modeling with Low-rank and Sparse Structures in Consequent Parameters）。该方法首先提出了一种基于多任务子字典空间中特征之间的相关性的流形正则化;然后将后件参数分解为两个部分:多任务共享的低秩结构部分和代表单个任务特有属性的稀疏部分,来平衡多任务间共享知识和单个任务的特有属性。实验表明,该方法优于现有的方法。